مروری بر الگوریتم‌های یادگیری ماشین جهت تشخیص اوتیسم با استفاده از سیگنال eeg

بیماری اوتیسم یک اختلال عصبی و تکاملی است که اشخاص مبتلا به آن اغلب علایم یا رفتارهای محدود را نشان می‌دهند و بر اساس آزمون رفتاری تشخیص داده می‌شود. این اختلال عصبی با دیگر اختلالات عصبی مشابه می‌باشد، به این علت تشخیص بیماری اوتیسم کار پیچیده‌ای است. اگر بیماری در سنین کم و به موقع تشخیص داده شود، شدت بیماری و عوارض آن کم می‌شود. در سال‌های اخیر محققان با استفاده از بررسی سیگنال الکتروانسفالوگرافی (eeg) به تشخیص بیماری اوتیسم پرداخته‌اند. در تشخیص بیماری اوتیسم با استفاده از سیگنال eeg از الگوریتم‌های یادگیری ماشین استفاده شده که کاربر انسانی توانسته است با تجزیه و تحلیل ویژگی‌های استخراج شده با درصد دقت خوبی این بیماری را تشخیص دهد. در این پژوهش، الگوریتم‌های مورد استفاده در هر یک از مقالات، بررسی شده و نتایج به دست آمده از بررسی داده‌های متناسب با آنها مبنای ادامه کار برای پژوهش‌های آتی می‌باشد. در این پژوهش، ضمن بررسی روش‌های ارائه شده پیشین، مزایا و معایب روش‌ها بررسی می‌شوند. نتایج نشان می‌دهد که نقش روش‌های بکار گرفته شده به منظور پیش‌پردازش، استخراج و انتخاب ویژگی از روی تصاویر eeg و نوع طبقه‌بندها، عوامل موثر در دقت طبقه‌بندی می‌باشند. شبکه‌های عصبی کانولوشنی با توجه به ارائه بهترین نتایج دقت، بیشترین کاربرد را در مقایسه با سایر روش‌های مبتنی بر یادگیری داشته‌اند.

a review of machine learning algorithms to diagnose autism using the eeg signal

autism is a neurological and developmental disorder in which individuals often show limited symptoms or behaviors and are diagnosed based on a behavioral test. this neurological disorder is similar to other neurological disorders; therefore, diagnosing autism is a complicated task. if the disease is diagnosed at an early age, the severity of the disease and its complications will be reduced. in recent years, researchers have used electroencephalography (eeg) to diagnose autism. in the diagnosis of autism using eeg signals, machine learning algorithms have been used, and the human user has been able to diagnose this disease with a good percentage of accuracy by analyzing the extracted features. in this paper, the algorithms used in each of the articles have been reviewed, and the results obtained from the corresponding data review are the basis for further research. while examining the previously presented methods, the advantages and disadvantages of the methods are examined. the results show that the role of the methods used for pre-processing, extracting and selecting features from eeg images and the type of classifiers are effective factors in classification accuracy. convolutional neural networks have been the most popular compared to other learning-based methods due to their ability to provide the best accuracy results.